gemini-skill/SKILL.md

name, description

name	description
gemini-skill	通过 Gemini 官网（gemini.google.com）执行问答与生图操作。用户提到"问问Gemini/让Gemini回答/去Gemini问"，或出现"生图/画图/绘图/nano banana/nanobanana/生成图片"等关键词时触发。默认使用可用模型中最强档（优先 Gemini 3.1 Pro），按任务切换文本问答或图片生成流程，并把结果回传给用户。

Gemini Web Ops

核心规则

1. 使用 OpenClaw 内置浏览器，profile="openclaw"。
2. 涉及生图关键词（如：生图、绘图、画一张、nano banana）时，优先用无头浏览器流程执行。
3. 文本问答任务（如"问问Gemini xxx"）走 Gemini 文本提问链路。
4. 默认模型：可用列表中最强模型，优先 Gemini 3.1 Pro。
5. 执行生图后先向用户回报"正在绘图中"，完成后回传图片。
6. 禁止使用浏览器截图（screenshot）获取生成图片。默认通过 extractImageBase64() 从已渲染的 DOM 直接提取图片 Base64 数据，解码后保存到本地再发送给用户；仅当用户明确要求高清/原图时，才调用 downloadLatestImage() 走原图下载流程。

任务分流

• 文本问答触发词：问问Gemini、让Gemini回答、去Gemini问。
• 生图任务触发词：生图、画、绘图、海报、nano banana、nanobanana、image generation。
• 若请求含糊，先确认：是文本回答还是要出图。

标准执行流程

按钮状态机

Gemini 页面的操作按钮（.send-button-container 内）通过 aria-label 反映当前状态：

aria-label	状态	含义
麦克风	idle	输入框为空，空闲中
发送 / Send	ready	输入框有内容，可发送
停止 / Stop	loading	已发送，正在生成回答

可通过 GeminiOps.getStatus() 获取当前状态，通过 GeminiOps.pollStatus() 分段轮询等待生成完毕。

A. 文本问答

1. 打开 https://gemini.google.com。
2. 校验登录态（头像/输入框可见）。
3. 新建会话：click('newChatBtn')，确保干净上下文。
4. 选择最强可用模型（优先 Gemini 3.1 Pro）。
5. 将用户问题原样输入并发送。
6. 分段轮询等待（见下方"CDP 保活轮询策略"）。
7. 等待完整输出，提炼后回传（必要时附原文要点）。

B. 生图流程

1. 打开 Gemini 页面并确认登录。
2. 新建会话：click('newChatBtn')，确保干净上下文。
3. 选择最强可用模型（优先 Gemini 3.1 Pro）。
4. 将用户提示词原样输入。
5. 发送后立即通知用户：正在绘图中。
6. 分段轮询等待（见下方"CDP 保活轮询策略"，生图超时上限 120s）。
7. 结果出现后，调用 GeminiOps.getLatestImage() 获取最新生成的图片（Gemini 一次只生成一张）：
   • 返回 {ok, src, alt, width, height, hasDownloadBtn, debug}。
   • 定位依据：<img class="image loaded"> — 只有同时具有 image 和 loaded 两个 class 的才是已渲染完成的生成图片；DOM 中取最后一个即为最新。
   • src 为 https://lh3.googleusercontent.com/... 格式的原图 URL。
   • 若 ok === false，等几秒再调一次；连续两次失败则做 snapshot 排查页面状态。
   • 默认：调用 GeminiOps.extractImageBase64() 从 DOM 直接提取图片 Base64（Canvas 优先，跨域污染时 fallback 到 fetch），解码后保存为本地文件发送给用户。注意该函数返回 Promise，CDP 调用时需设置 awaitPromise:true。
   • 高清：仅当用户明确要求高清/原图时，才调用 GeminiOps.downloadLatestImage() 走原图下载按钮流程。
   • 下载按钮定位：从 img 向上找到 .image-container 容器，容器内的 mat-icon[fonticon="download"] 即为下载原图按钮。
   • ⚠️ 严禁使用浏览器截图（screenshot）代替保存图片。
8. 将保存到本地的图片文件发送给用户。
9. 将每步操作返回的 debug 日志一并回传给用户，方便排查定位失败和优化策略。所有函数（probe、click、fillPrompt、pollStatus、getLatestImage、extractImageBase64、downloadLatestImage）的返回值都包含 debug 字段。

CDP 保活轮询策略

核心原则：绝不在页面内做长时间 Promise 等待。每次 evaluate 必须毫秒级返回，由调用端控制循环。

生图/问答发送后，按以下方式等待结果：

1. 每隔 8~10 秒调用一次 GeminiOps.pollStatus()。
2. 该函数立即返回 {status, label, pageVisible, ts}。
3. 调用端根据 status 判断：
   • loading → 继续等待，累计已耗时。
   • idle → 生成完毕，进入结果获取阶段。
   • unknown → 页面可能异常，做一次 snapshot 兜底排查。
4. 累计耗时超过上限（文本 60s / 生图 120s）→ 走超时回退逻辑。

为什么这样做：OpenClaw 通过 CDP（Chrome DevTools Protocol）WebSocket 控制浏览器。若长时间（>30s）无消息往来，网关/代理可能判定连接空闲并断开。分段短轮询保证 CDP 通道始终有心跳流量。

失败回退

1. 元素定位失败：刷新页面后重试一次。
2. 模型不可用：降级到次优 Gemini 模型并告知。
3. 生成超时：回报"仍在生成中"，继续等待一次；再次超时则请用户换短提示词。

低 token 优先策略

• 优先使用 scripts/gemini_ui_shortcuts.js 的快捷选择器。
• 先 evaluate 批量动作，再 snapshot 精准兜底。
• 避免高频全量快照。

参考

• 详细执行与回退：references/gemini-flow.md
• 关键词与路由：references/intent-routing.md